派斯帕克 |映射 JSON rdd 并应用广播答案

【问题标题】：Pyspark | map JSON rdd and apply broadcast派斯帕克 |映射 JSON rdd 并应用广播
【发布时间】：2023-04-02 10:44:01
【问题描述】：

在 pyspark 中，如何将具有 JSON 的输入 RDD 转换为以下指定的输出，同时将广播变量应用于值列表？

输入

[{'id': 1, 'title': "Foo", 'items': ['a','b','c']}, {'id': 2, 'title': "Bar", 'items': ['a','b','d']}]

广播变量

[('a': 5), ('b': 12), ('c': 42), ('d': 29)]

期望的输出

[(1, 'Foo', [5, 12, 42]), (2, 'Bar', [5, 12, 29])]

【问题讨论】：

标签： pyspark rdd

【解决方案1】：

编辑：最初我的印象是传递给map 函数的函数会自动广播，但在阅读了一些文档后我不再确定这一点。

无论如何，您都可以定义广播变量：

bv = [('a', 5), ('b', 12), ('c', 42), ('d', 29)]

# turn into a dictionary
bv = dict(bv)
broadcastVar = sc.broadcast(bv)
print(broadcastVar.value)
#{'a': 5, 'c': 42, 'b': 12, 'd': 29}

现在是available on all machines as a read-only variable。您可以使用broascastVar.value 访问字典：

例如：

import json

rdd = sc.parallelize(
    [
        '{"id": 1, "title": "Foo", "items": ["a","b","c"]}',
        '{"id": 2, "title": "Bar", "items": ["a","b","d"]}'
    ]
)

def myMapper(row):
    # define the order of the values for your output
    key_order = ["id", "title", "items"]

    # load the json string into a dict
    d = json.loads(row)

    # replace the items using the broadcast variable dict
    d["items"] = [broadcastVar.value.get(item) for item in d["items"]]

    # return the values in order
    return tuple(d[k] for k in key_order)

print(rdd.map(myMapper).collect())
#[(1, u'Foo', [5, 12, 42]), (2, u'Bar', [5, 12, 29])]

【讨论】：